CLM-009
Claim
U-Net 归纳偏置对 diffusion 质量非关键：标准 ViT 可直接替换 U-Net backbone 并取得更优质量。
| id | CLM-009 |
|---|---|
| type | claim |
| source | SRC-2212.09748 |
| scope | class-conditional ImageNet 256x256 & 512x512 latent diffusion; DiT (standard ViT backbone) vs U-Net baselines (ADM/LDM) under ADM evaluation suite |
| epistemic | partially-supported |
| lifecycle | RECONCILED |
| created | 2026-09-03 |
| updated | 2026-09-03 |
Proposition
U-Net 的归纳偏置对 diffusion 模型的性能不是关键：标准 ViT 架构 （沿用 ViT 惯例、不含卷积 U-Net 组件）可在 latent diffusion 中 直接替换 U-Net backbone，并在同等评估协议下取得更优的生成质量。
Evidence refs
Notes
论文的设计论题（§1："the U-Net inductive bias is not crucial to the performance of diffusion models"）。经验支撑即 CLM-001/004 的 SOTA 对比（DiT 优于全部既有 U-Net diffusion 模型）；本 claim 将 对比结果提炼为架构层论断。限定：证据限于 class-conditional latent diffusion 两个分辨率；pixel-space 与 text-to-image 设定未验证 （结论段以 "could be explored" 表述为 future work）。
引用（3）
- CLM-001 DiT-XL/2（cfg=1.50，3 通道 guidance）在 ImageNet 256×256 达 FID-50K 2.27，为包括 StyleGAN-XL 在内的最低 FID。
- EVI-009 §1 + Table 2/3/6：DiT-XL/2 2.27（256）/3.04（512）vs LDM-4-G 3.60/ADM-G+U 3.94 及 118.6G/524.6G 算力对照——架构论题的经验支撑（支撑 CLM-009）。
- SRC-2212.09748 DiT 原始论文（Peebles & Xie, ICCV 2023）：ViT 替换 LDM U-Net backbone，Gflops 视角的 scaling 研究。
被引用（4）
- CFL-001 表面冲突：CLM-009（DiT）称'U-Net 归纳偏置对生成质量非关键，可换 ViT'，CLM-015（LDM）称'2D 卷积归纳偏置对重建保真关键，容忍低压缩'。论文核实：两处'U-Net'是不同网络（second-stage 去噪 UNet vs first-stage 压缩 autoencoder），同名异物、可同真互补，提议 terminology-difference。
- EVI-009 §1 + Table 2/3/6：DiT-XL/2 2.27（256）/3.04（512）vs LDM-4-G 3.60/ADM-G+U 3.94 及 118.6G/524.6G 算力对照——架构论题的经验支撑（支撑 CLM-009）。
- FRM-2212.09748 DiT 五层重建：以 ViT 替换 latent diffusion 的 U-Net backbone、Gflops 为透镜的 scaling 研究；边界为 class-cond ImageNet 256/512。
- VER-009 核验 CLM-009 架构论题：可检验部分（ViT 替换 U-Net 质量反升）与 Table 2/3/6 一致；'归纳偏置非关键'属作者诠释（非受控对比），按 A4 保留。partially-supported。